缺失值插补策略比较线性回归vs.相邻填充在LSTM输入层的性能差异分析在金融量化领域,价格数据天然具有时序连续性强、噪声敏感度高、突发跳跃频繁的特点。由于交易所休市、网络中断或数据采集异常等原因,原始行情数据常出现缺失值(Missing Value)。这些缺口若未经妥善处理直接输入模型,将导致两个严重后果:一是破坏LSTM对长期依赖关系的捕捉能力;二是引入偏差梯度更新方向,降低预测稳定性。本研究聚焦于预处理阶段的关键环节——缺失值插补方法选择,通过对比两种典型方案(线性回归建模全局趋势 vs 相邻时点简单填充局部连续性),揭示不同策略对LSTM网络特征提取效率的影响机制。